Vegetation and vantage point influence visibility across diverse ecosystems: Implications for animal ecology
Notice bibliographique
Résumé
Visual information can influence animal behavior and habitat use in diverse ways. Visibility is the property that relates 3D habitat structure to accessibility of visual information. Despite the importance of visibility in animal ecology, this property remains largely unstudied. Our objective was to assess how habitat structure from diverse environments and animal position within that structure can influence visibility. We gathered terrestrial lidar data (1 cm at 10 m) in four ecosystems (forest, shrub-steppe, prairie, and desert) to characterize viewsheds (i.e., estimates of visibility based on spatially explicit sightlines) from multiple vantage points. Both ecosystem-specific structure and animal position influenced potential viewsheds. Generally, as height of the vantage point above the ground increased, viewshed extent also increased, but the relationships were not linear. In low-structure ecosystems (prairie, shrub-steppe, and desert), variability in viewsheds decreased as vantage points increased to heights above the vegetation canopy. In the forest, however, variation in viewsheds was highest at intermediate heights, and markedly lower at the lowest and highest vantage points. These patterns are likely linked to the amount, heterogeneity, and distribution of vegetation structure occluding sightlines. Our work is the first to apply a new method that can be used to estimate viewshed properties relevant to animals (i.e., viewshed extent and variability). We demonstrate that these properties differ across terrestrial landscapes in complex ways that likely influence many facets of animal ecology and behavior.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».